LangChain

LangChain(langchain.com)是 LangChain Inc. 2022 年推出的大模型应用开发框架,定位是”LLM 应用开发的事实标准框架”。LangChain 提供 Chain(链)、Agent(智能体)、RAG(检索增强)、Memory(记忆)、Tools(工具)等核心组件,支持 Python 和 JavaScript 双语言。截至 2026 年 7 月,LangChain GitHub 100k+ stars,被 50 万+ 开发者使用,是 LLM 应用开发最主流框架。LangChain 与 LlamaIndex、Haystack、Semantic Kernel、AutoGen、CrewAI 是同赛道竞品,差异在于 LangChain 强调”组件丰富 + 生态完整 + 集成 700+ 模型/工具 + 双语言”,适合 LLM 应用开发者、企业 AI 工程化。

一、工具介绍

LangChain 的核心定位是”LLM 应用开发的事实标准框架”,区别于直接调用 OpenAI API(功能单一)和 AutoGen(聚焦 Agent),LangChain 提供 LLM 应用全栈能力:模型接入(700+ LLM)、提示词工程(PromptTemplate/Select)、数据连接(Loader/Splitter/Retriever)、记忆管理(Memory)、Agent 编排(ReAct/Plan-Execute)、Chain 组合(LCEL)。LangChain 与 LangSmith(调试监控)、LangServe(部署服务)、LangGraph(状态机 Agent)组成完整生态。LangChain 是 LLM 工程师必备技能。

二、核心功能

• LCEL(LangChain Expression Language):声明式 Chain 组合语法,用 `|` 操作符串联组件,清晰易读
• 700+ 模型集成:OpenAI/Anthropic/Google/HuggingFace/通义千问/DeepSeek/智谱 等
• Prompt 模板:PromptTemplate/ChatPromptTemplate/FewShotPromptTemplate/Select
• Output Parser:结构化输出(JSON/Pydantic/XML/自定义解析器)
• Document Loader:PDF/Word/Excel/网页/数据库/Notion/Slack 等 100+ 数据源
• Text Splitter:智能切分长文档(Recursive/Character/Token/Markdown)
• Embedding & Vector Store:100+ 向量库(FAISS/Chroma/Milvus/Pinecone/Qdrant/Weaviate)
• Retriever:基础检索/MMR/混合检索/重排/MultiQuery/Self-Query
• Memory:ConversationBufferMemory/SummaryMemory/EntityMemory/VectorStoreMemory
• Agent:ReAct/Plan-Execute/OpenAI Functions/AutoGPT/Structured Chat
• Tools:内置 100+ 工具(Search/Calculator/Shell/Python/Wikipedia 等)
• RAG 完整链路:Loader → Splitter → Embedding → Vector → Retriever → Generator,端到端
• LangGraph:状态机 Agent(循环/分支/人机协作/复杂多步任务)
• LangServe:部署 Chain 为 REST API,一行代码上线
• LangSmith:调试、监控、评估、A/B 测试,生产环境必备
• Callbacks:统一日志/监控/重试 hook,贯穿整个 Chain

三、使用场景

• LLM 应用开发:聊天机器人、写作助手、AI Agent、智能客服
• RAG 知识库:企业文档问答、私有知识库、FAQ 系统、客服机器人
• Agent 系统:复杂多步任务(自动办公、研究助手、自动报告)
• 多模态应用:图像理解、语音转文字、视频分析、PDF 解析
• 企业 AI 升级:智能客服、文档处理、知识管理、流程自动化
• 自动化工作流:多步骤 AI 任务,LLM + 工具 + 数据 + API
• 代码生成工具:Copilot 类工具、代码审查、自动测试、PR 摘要
• 数据分析助手:SQL 生成、自然语言查询数据、报告生成、可视化
• 研究助手:文献检索、论文总结、研究综述、跨学科知识挖掘
• 教育辅导:智能辅导老师、作业批改、知识点讲解、个性化学习
• 营销自动化:内容生成、社媒运营、广告文案、邮件营销
• 医疗辅助:病历分析、医学文献问答、辅助诊断(需合规)

四、价格方案

五、功能特点

• LLM 应用事实标准
• Python + JS 双语言
• 700+ 模型/工具集成
• RAG 完整链路
• Agent 编排能力强
• LangGraph(状态机 Agent)
• LangSmith(调试监控)
• 生态完整活跃

六、上手指南

1. 安装 LangChain:`pip install langchain langchain-openai langchain-community`
2. 设置 API Key:配置 OPENAI_API_KEY / ANTHROPIC_API_KEY / 国内模型
3. 快速开始:
“`python
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

llm = ChatOpenAI(model=”gpt-4o”)
prompt = ChatPromptTemplate.from_messages([
(“system”, “你是助手”),
(“user”, “{input}”)
])
chain = prompt | llm
print(chain.invoke({“input”: “你好”}).content)
“`
4. RAG 应用:Loader → Splitter → Embedding → VectorStore → Retriever → Chain
5. Agent:定义 Tools + LLM + AgentExecutor,ReAct 推理
6. LangGraph:复杂 Agent,用状态图编排多步任务
7. LangSmith:注册账号,设置环境变量,可视化调试 Chain
8. LangServe 部署:`add_routes(app, chain, path=”/chat”)` 部署为 API

七、常见问题

LangChain 和 LlamaIndex 比哪个好?

LlamaIndex 专注 RAG(检索增强),LangChain 全栈(Chain/Agent/RAG)。RAG 场景选 LlamaIndex,通用 LLM 应用选 LangChain。

LangChain 学习曲线陡吗?

中等。需要 Python 基础 + LLM 概念。建议从官方 Quickstart 开始,再深入 Chain/Agent。建议看 DeepLearning.AI 的 LangChain 课程。

LangChain 适合生产吗?

适合。LangSmith 提供调试监控,LangServe 简化部署,生态成熟。生产建议加 LangSmith 监控 + 错误处理 + token 限流。

LangChain 和 LangGraph 区别?

LangChain 是 Chain(链式)范式,适合顺序任务。LangGraph 是状态机范式,适合复杂多步 Agent(循环/分支/人机协作)。新一代 Agent 用 LangGraph。

LangChain 中文支持好吗?

支持。LangChain 集成国内模型(通义千问/智谱/DeepSeek),中文 prompt 效果好。但部分文档英文为主,需要适应。